一件小事:程序员用AI写代码，处理PDF页码截取并提纯

这真的是一件小事，但是让我不得不说一说，谁让WPS气着我这个程序员了呢？！

我买了个自助打印设备的会员，每个月有免费打印60张的额度，过期作废。这个月剩余30多张，马上月底了，我想打印一些书来看。

我有一本PDF格式的电子书，500多页，300多M。文件太大了，没法直接传递给打印机。于是我想从这500页中选择性地拆出30页，生成一个新PDF小文件去打印。结果，WPS要收费。

这个WPS用的时候要登录，登录完了还要会员。我作为程序员，很了解PDF的文件组成结构，这拆分PDF没嘛技术含量。

PDF的全称是Portable Document Format，也就是便携式文档格式。它是一种由Adobe公司开发的用于表示文档的文件格式。PDF文件由多个部分组成，每个部分都有其特定的作用和结构。

比如Body部分，是它的主体内容。这里面包含实际的文档内容，例如文本、图形、图像、表格等。PDF中的页面内容以对象的形式存储，每个对象包括其在文件中的位置和长度。

还有Pages页面部分，这里面通常包含多个页面，每一页都可以包含文本、图像和其他元素。每个页面在PDF文件中被视为一个独立的对象，其内容和格式由页面对象描述。

另外Fonts字体、Images图像等信息，都可以解析并读取到。

我打算自己写一个，而且现在更方便了，咱们用AI生成代码。

AI给出的代码如下：

import PyPDF2

def extract_pages(input_pdf, output_pdf, start_page, end_page):
    # 打开输入PDF文件
    with open(input_pdf, "rb") as input_file:
        reader = PyPDF2.PdfReader(input_file)
        writer = PyPDF2.PdfWriter()
        
        # 获取总页数
        total_pages = len(reader.pages)
        
        # 确保页码范围有效
        if start_page < 1 or end_page > total_pages or start_page > end_page:
            raise ValueError("Invalid page range")
        
        # 将指定范围的页添加到新的PDF文件中
        for i in range(start_page - 1, end_page):
            writer.add_page(reader.pages[i])
        
        # 保存新的PDF文件
        with open(output_pdf, "wb") as output_file:
            writer.write(output_file)

# 示例用法
input_pdf = "t.pdf"  # 输入PDF文件路径
output_pdf = "output.pdf"  # 输出PDF文件路径
start_page = 10  # 开始页码（从1开始）
end_page = 45  # 结束页码（包含）

extract_pages(input_pdf, output_pdf, start_page, end_page)

将代码拷贝到编译器中，并把要处理的pdf文件也放到同级目录，点击执行：

这里是处理t.pdf文件，从第12页开始，一直到第45页（包含这一页），然后将这30多页在同级目录保存为output.pdf。

去了注释，不到30行代码，一问一答，一复制一运行，3分钟内完成。

终于，新生成的小文件变为30来页，而且大小为20M，变得轻量便捷。

但是，我又发现一个问题。其实这个电子书的制作者，额外对书本添加了广告信息，看上图底部的页脚位置内容就知道。我不想要这些信息，看起来烦。其实，书里正常的内容是红色虚线部分，这里是原书内容的扫描件。

于是，我想对内容进行提纯。我将这个想法告诉了AI。

AI又给我一段代码：

import fitz  # PyMuPDF
import os

def extract_images(pdf_path, output_folder):
    # 打开PDF文件
    pdf_document = fitz.open(pdf_path)
    
    # 确保输出文件夹存在
    os.makedirs(output_folder, exist_ok=True)
    
    # 遍历每一页
    for page_num in range(len(pdf_document)):
        page = pdf_document.load_page(page_num)
        images = page.get_images(full=True)
        
        # 遍历每一页中的所有图片
        for img_index, img in enumerate(images):
            xref = img[0]
            base_image = pdf_document.extract_image(xref)
            image_bytes = base_image["image"]
            image_ext = base_image["ext"]
            image_filename = f"page{page_num+1}_img{img_index+1}.{image_ext}"
            image_path = os.path.join(output_folder, image_filename)
            
            # 保存图片
            with open(image_path, "wb") as image_file:
                image_file.write(image_bytes)
    
    print(f"提取的图片保存在文件夹: {output_folder}")

# 示例用法
pdf_path = "output.pdf"  # 输入PDF文件路径
output_folder = "extracted_images"  # 输出图片文件夹

extract_images(pdf_path, output_folder)

同第一次页码截取一样，复制代码，点击运行。它执行的操作是将output.pdf文件里的图片提取出来，然后保存在同级的extracted_images下。

图片提取出来，而且还是高清画质，原来在PDF里面是被压缩了反而模糊。

现在是图片，怎么办？我想要的是PDF。没关系，去问AI。

又是一串代码：

from PIL import Image
import fitz  # PyMuPDF
import os

def images_to_pdf(image_folder, output_pdf):
    # 获取指定文件夹中的所有图片文件
    image_files = [f for f in os.listdir(image_folder) if f.lower().endswith(('jpeg'))]
    # 按照文件名排序
    image_files = sorted(image_files)
    # 用于临时保存单页PDF文件的列表
    pdf_pages = []
    # 定义A4纸的尺寸（210 x 297 mm）以像素表示（假设300 DPI）
    a4_width_mm = 210
    a4_height_mm = 297
    dpi = 300
    a4_width_px = int(a4_width_mm * dpi / 25.4)
    a4_height_px = int(a4_height_mm * dpi / 25.4)
    a4_size = (a4_width_px, a4_height_px)

    for image_file in image_files:
        image_path = os.path.join(image_folder, image_file)
        image = Image.open(image_path)

        # 将图片调整为A4尺寸
        image = image.resize(a4_size, Image.LANCZOS)
        # 将图片转换为RGB模式，如果不是RGB模式
        if image.mode != 'RGB':
            image = image.convert('RGB')
        # 将图片保存为单页PDF
        pdf_path = os.path.join(image_folder, f"{os.path.splitext(image_file)[0]}.pdf")
        image.save(pdf_path, "PDF", resolution=dpi)
        pdf_pages.append(pdf_path)

    # 创建一个空的PDF文档
    pdf_document = fitz.open()
    # 将所有单页PDF合并到一个PDF文档中
    for pdf_page in pdf_pages:
        temp_pdf = fitz.open(pdf_page)
        pdf_document.insert_pdf(temp_pdf)
        temp_pdf.close()
    # 保存合并后的PDF文档
    pdf_document.save(output_pdf)
    pdf_document.close()
    # 删除临时保存的单页PDF文件
    for pdf_page in pdf_pages:
        os.remove(pdf_page)
# 示例用法
image_folder = "extracted_images"  # 存放图片的文件夹
output_pdf = "combined.pdf"  # 输出PDF文件路径
images_to_pdf(image_folder, output_pdf)

OK，获取到了一个纯净无广告而且超清晰版本的小PDF。

从开始有想法，到问AI要代码并处理完文档，甚至到写完这篇教程文章。总共花费不到2个小时。而这效果，却比花钱买会员要强得多。

我之所说这件事，想表达两点。

第一，信息差太重要了。这么简单的操作，真的有厂商拿来收钱。我们不管哪个行业，在花钱之前，先问问业内的人有没有必要花。我从没买过软件类的会员，有需求一般都是自己做。

第二，AI的应用越来越普及，其实不只是我可以这么操作。这种问AI要代码，然后放到编译器点击运行的操作，一旦熟悉了，其实和编辑word差不多。现在，很多人都可以像这样，自己去解决生活中遇到的问题。

我是IT男的一人企业，“专业实用化，永远不做大”是我的宗旨。